Lakhasly

Surechantillonnage progressif Les methodes de pre et post-echantillonnage sont toutes deux des methodes utiles.LapSRN genere plusieurs predictions SR intermediaires dans un passage a action directe par une reconstruction progressive en utilisant la pyramide laplacienne.L'un de ces modeles est l'architecture LapSRN ou Laplacian Pyramid Super-Resolution Network qui reconstruit progressivement les residus de sous-bande des images HR. Les residus de sous-bande font reference aux differences entre l'image surechantillonnee et l'image HR de verite terrain au niveau respectif du reseau.Cependant, pour les problemes ou les images LR doivent etre mises a l'echelle par des facteurs importants (disons 8x), que le surechantillonnage soit effectue avant ou apres avoir traverse le reseau SR profond, les resultats sont forcement sous-optimaux.Dans de tels cas, il est plus logique d'augmenter progressivement l'image LR pour finalement repondre aux criteres de dimension spatiale de la sortie HR plutot que d'augmenter l'echelle de 8x en une seule fois.A chaque niveau, LAPSRN applique d'abord une cascade de couches convolutionnelles pour extraire diverses cartes d'entites.

Suréchantillonnage progressif
Les méthodes de pré et post-échantillonnage sont toutes deux des méthodes utiles. Cependant, pour les problèmes où les images LR doivent être mises à l’échelle par des facteurs importants (disons 8x), que le suréchantillonnage soit effectué avant ou après avoir traversé le réseau SR profond, les résultats sont forcément sous-optimaux. Dans de tels cas, il est plus logique d’augmenter progressivement l’image LR pour finalement répondre aux critères de dimension spatiale de la sortie HR plutôt que d’augmenter l’échelle de 8x en une seule fois. Les méthodes qui utilisent cette stratégie d’apprentissage sont appelées méthodes de suréchantillonnage progressif. L’un de ces modèles est
l’architecture LapSRN ou Laplacian Pyramid Super-Resolution Network qui reconstruit progressivement les résidus de sous-bande des images HR. Les résidus de sous-bande font référence aux différences entre l’image suréchantillonnée et l’image HR de vérité terrain au niveau respectif du réseau. L’architecture réseau de LapSRN juxtaposée à d’autres architectures traditionnelles est présentée ci-dessous.
LapSrn est basé sur une cascade de CNN. LapSRN prend une image LR en entrée et prédit progressivement les résidus de sous-bande de manière grossière à fine. À chaque niveau, LAPSRN applique d’abord une cascade de couches convolutionnelles pour extraire diverses cartes d’entités. Ensuite, une couche convolutionnelle transposée est utilisée pour suréchantillonner les cartes d’entités à un niveau plus fin. Enfin, une couche convolutionnelle est utilisée pour prédire les résidus de sous-bande. Les résidus prévus à chaque niveau sont utilisés pour reconstruire efficacement l’image HR par le biais d’opérations de suréchantillonnage et d’addition. LapSRN génère plusieurs prédictions SR intermédiaires dans un passage à action directe par une reconstruction progressive en utilisant la pyramide laplacienne.